Webinar | ¿Están tus datos de marketing preparados para la IA?

¿Está tu infraestructura de datos realmente preparada para trabajar con Inteligencia Artificial? En este webinar abordamos el verdadero reto que muchas organizaciones están ignorando: la brecha entre tener muchos datos y tener datos que una IA pueda entender, consultar y activar.

Compartimos un enfoque práctico para pasar del dato bruto a la inteligencia activa, evitando uno de los errores más comunes: pensar que la IA arreglará que el dato no esté bien construido.

¿Quieres ver la grabación del webinar?

La brecha invisible: muchos datos, poca preparación

La mayoría de empresas dispone de CRMs, bases de datos, hojas de cálculo y múltiples fuentes desconectadas. Pero la IA no trabaja con informes pensados para humanos: necesita estructuras coherentes, gobernanza clara y definiciones compartidas.

Si el dato es inconsistente, la IA no lo corrige. Lo escala.

Las 5 fases para preparar tus datos

Durante la sesión explicamos un recorrido claro y accionable:

• Consentimiento y gobernanza: sin permiso ni control sobre el dato, no hay base sólida para aplicar IA de forma ética y estratégica.
• Integración de silos: CRM, inversión publicitaria, comportamiento web y ERP deben convivir en un entorno común que actúe como fuente única de verdad.
• Calidad y transformación: no basta con extraer datos; hay que limpiarlos, validarlos y automatizar su transformación para evitar decisiones basadas en errores o duplicidades.
• Capa semántica: la IA necesita entender qué significa cada métrica. Sin definiciones claras y compartidas, no hay analítica conversacional fiable.
• Activación tecnológica: exploramos cuándo tiene sentido incorporar arquitecturas como RAG o bases vectoriales para conectar el razonamiento de la IA con tus propios datos.

Del análisis a la acción

Mostramos cómo evolucionar desde dashboards estáticos hacia modelos donde la IA no solo responde preguntas, sino que detecta anomalías, propone acciones e incluso automatiza tareas operativas bajo supervisión.

La IA no es una promesa futura. Es una capacidad alcanzable cuando el dato está preparado.

En definitiva, la adopción real de IA en marketing no comienza con una herramienta, sino con una estrategia sólida de datos.

Si quieres entender cómo recorrer ese camino paso a paso, accede a la grabación completa del webinar.

¿Te perdiste el webinar?

¿Te gustaría ver el webinar completo? Rellena el formulario para recibir el acceso a la grabación y profundiza en cómo preparar tus datos para la IA, integrar tus fuentes, construir la capa semántica y activar modelos de analítica conversacional con una base sólida y estratégica.

---

Transcripción del webinar

Antón: El tema de hoy es: ¿están preparados tus datos de marketing digital para la IA dentro de nuestro ecosistema de analítica digital?

¿Qué vamos a ver hoy? Primero, la situación actual y cuál es el principal gap que tenemos en los datos para que la IA sea útil. Después, el salto evolutivo al que nos enfrentamos, y una serie de fases que afectan al dato y que hay que trabajar para que la IA funcione lo mejor posible —son cinco fases—. Por último, dibujaremos un pequeño roadmap y dejaremos tiempo para preguntas y respuestas.

El webinar de hoy está muy vinculado a la visualización de datos y al acompañamiento en el análisis. En Aditu, al estar 100% especializados en datos para marketing digital, cubrimos todo el viaje del dato: la parte más estratégica, gobernanza, arquitectura, privacidad y consentimiento, analítica digital, analítica predictiva, etc. El fin de hoy es hablar con la IA para tomar mejores decisiones, pero todas las partes anteriores afectan muchísimo, y de eso vamos a hablar sobre todo.

El readiness gap

Antón: Empezamos con el tema en cuestión: el readiness gap, es decir, cuál es el principal bloqueo que tenemos para que la IA empiece a hablar con nuestros datos.

A la izquierda tenemos una representación del ecosistema típico de muchas empresas: datos del CRM, de plataformas de analítica, de plataformas de publicidad, en almacenes de datos, en Excels, datos offline, de marketplaces o incluso de televisión y radio. Entonces, mucha gente piensa: «Tengo muchísimos datos, así que estoy preparadísimo para trabajar con la IA, porque le puedo meter muchísima información.» Pero esa no es la realidad: tener mucha cantidad de datos no significa que la IA los vaya a entender. La IA no es capaz de comprenderlo todo como nosotros. Nosotros vemos un Excel, vemos la serie de datos y somos capaces de analizarlos y sacar conclusiones; la IA necesita un plus.

Si le metemos toda esa información de golpe, generamos caos, porque le estamos dando demasiada información sin contexto. La IA va a contestar, pero, al no tener todo el contexto que nosotros sí tenemos, nos va a dar una respuesta errónea que puede hacernos tomar decisiones equivocadas.

¿Cómo lo evitamos? ¿Cómo conseguimos sacarle partido de verdad a la IA con todos los datos que tenemos? Eso es lo que vamos a ver hoy, pero, como adelanto: requiere un proceso previo. Hay que ir preparando los datos para que estén legales, bien estructurados, integrados entre sí (porque cada plataforma vive en su propio mundo), limpios, sin errores, y que tengan un significado que no solo nosotros podamos entender, sino que la IA también pueda procesar. A partir de ahí sí podemos usarlos y aprovechar la IA al máximo, pero primero hace falta ese último paso.

El salto evolutivo: tres niveles

Antón: ¿Cuál es el salto evolutivo? Creo que hay tres niveles, ¿verdad, Alazne?

Alazne: Eso es. El nivel uno son los datos estáticos, que es donde se mueve la mayoría de empresas. Casi todos contáis con un cuadro de mando —en Looker Studio, en Power BI o donde sea— que ofrece una forma muy visual y sencilla de ver los datos, y que ayuda mucho a interpretarlos. Sirve sobre todo para analizar lo que ya ha sucedido: miramos hacia el pasado y, a partir de ahí, sacamos conclusiones y tomamos decisiones. Es un proceso bastante autónomo, porque lo hacemos nosotros mismos: creamos el cuadro de mando, lo consultamos, lo revisamos, tomamos las decisiones y las ejecutamos. Aquí la IA todavía no aparece, así que la carga de trabajo sigue siendo considerable.

Esto es un ejemplo, con varios pantallazos de Looker Studio. No significa que esto no sea bueno; de hecho, hay un reto tremendo en la mayoría de empresas para tener un buen dashboarding y no perder tiempo. Hace poco estuvimos en un proyecto en el que todo el reporting le consumía a la empresa más de 30 horas al mes, y ahora apenas le lleva cuatro horas. Se hizo un dashboard multinivel —por categoría, producto, catálogo y país— donde, en tiempo real, todas las unidades comerciales y de marketing pueden ver la evolución del performance de sus distintos negocios. Para poder hacer esto también hay que preparar bien los datos, luego hablaremos de ello. Al fin y al cabo, aquí la IA no interviene: son dashboards habituales, que se pueden hacer en Looker Studio, Power BI o Tableau.

Antón: ¿Cuál es el siguiente nivel?

Alazne: Aquí ya estamos con lo que llamamos interfaces conversacionales, los típicos chats. Es el chatbot al que le podemos hacer una pregunta en formato conversación, en lenguaje natural, y aunque la consulta sea complicada, nos da una respuesta precisa y con sentido. Para que esa respuesta sea realmente útil, antes hay que haber cogido esos datos y haberlos procesado, para que la IA sea capaz de entenderlos. A partir de ahí, la IA entra en los datos, los revisa, los analiza, saca conclusiones con sentido y nos contesta. El problema es que se queda ahí: nos da una respuesta muy interesante y nos quita mucho trabajo de análisis, pero no llega a ejecutarla. Nosotros nos hemos quitado la carga del análisis, pero seguimos teniendo que retomar la parte de «esto que me ha recomendado la IA, lo voy a implementar».

Antón: Aquí tenemos un ejemplo: Conversational Analytics en BigQuery permite crear agentes que responden eficazmente a este tipo de preguntas, como «¿cuál es la tendencia semanal de los ingresos?», y responde de forma escrita y textual. Esto está muy bien para equipos que no tienen un perfil técnico muy elevado, o para gente que no está en el día a día del performance más analítico, y que simplemente necesita hacer consultas rápidas relacionadas con el negocio, en lenguaje natural. Luego, con esa información, cada uno hace lo que necesita.

Hay bastantes ejemplos más. También tenemos analítica conversacional con Slack o con n8n: hicimos un proyecto para nosotros mismos que después surgió también con un cliente, y se le pueden hacer preguntas como «¿qué día de la semana obtenemos más interacción?», y el propio chat responde. Es otro formato de IA. Para configurarlo hay que seguir una serie de pasos y de procesos, pero, una vez hecho, el chat funciona muy bien. Como todo, en función de cómo definamos el proceso, la horquilla de preguntas que se pueden hacer está limitada, y también cómo se formulan. Hace poco, en una entrevista con un amigo de Aditu, nos decía que la IA nos está obligando a escribir mejor: hay que hacer las preguntas en el orden adecuado y con los términos adecuados para que la IA no responda cosas sin sentido. Como todo, hay dos partes: que los datos estén bien preparados para que la IA los indexe, y luego configurar ese chat virtual que nos ayude a obtener los insights que necesitamos.

Y luego tenemos un tercer nivel, el de la inteligencia activa.

Alazne: Sí, este es el último de todos los niveles, al que aspira la mayoría de empresas. Podemos decir que es un futuro cercano, aunque todavía está un poco en el aire cómo va a desarrollarse. Básicamente, la IA ya no se queda en el análisis, sino que trasciende a la parte operativa: no solo propone, sino que ejecuta. La IA entra desde el principio, entiende los datos, los analiza, propone soluciones y, además de comunicárnoslas, si se lo indicamos, es capaz de ejecutarlas ella misma. Se ocupa de todo el proceso y nos quita la carga no solo de la parte analítica, sino también de la decisiva y de la ejecutiva. Es la solución ideal para quitar carga de trabajo en tareas que no requieren tanta implicación humana y que se pueden automatizar más.

Antón: Básicamente, el ciclo completo sería este: en la primera parte, el análisis consiste en evaluar lo que ha sucedido; los insights se muestran de forma visual y sencilla, y la revisión de los datos es manual, un trabajo 100% humano. Todavía hoy hay mucho trabajo por hacer aquí, ¿verdad? El siguiente nivel es el que decíamos: creamos un agente al que hacerle preguntas y que nos ofrezca respuestas —por ejemplo, «hemos detectado una caída tremenda de usuarios en móvil»—, pero a partir de ahí entra un componente humano que tiene que investigar qué está pasando: puede que la app en iOS esté fallando, que el checkout falle, que las campañas mobile hayan dejado de funcionar, etc. La IA nos avisa de la circunstancia, pero no llega más allá. Y el siguiente nivel, el que comentaba Alazne, es aquel en el que la IA es capaz incluso de ejecutarlo.

La verdad es que, cuando estábamos preparando el webinar, le hacía esta pregunta al equipo: ¿dónde estamos hoy? Se habla mucho de que la IA nos va a quitar el trabajo, entre comillas, pero la realidad es que eso todavía no ha llegado. Alazne, ¿es una realidad cercana o la ves todavía lejana?

Alazne: Yo diría que estamos entre el nivel dos y el tres; lo veo muy cercano. Te pongo un ejemplo que nos tiene a todos un poco en vilo: se espera que, en un plazo muy corto, la IA sea capaz de hacer las compras por los usuarios. Ahora mismo ya es capaz de detectar la intención de compra, de resolver dudas, de hacer recomendaciones según las preferencias o la talla del usuario. A partir de ahí, se prevé que en poco tiempo el usuario pueda completar la compra directamente a través de la IA. Queda justo ese último gap para que esa parte más idealista se convierta en algo real. Yo creo que estamos llegando al final del punto dos y empezando a entrar en el punto tres.

Antón: Una empresa que ahora mismo está en el punto de querer mejorar el rendimiento de su negocio, optimizar sus campañas, optimizar su inversión, necesitaría, evidentemente, estructurar bien los datos y tener un buen dashboard para tomar buenas decisiones. Pero, viendo lo cerca que está todo esto, uno podría pensar: «Pues espero, y ya cuando llegue el momento, que la IA me lo haga todo.» Si una empresa te planteara esa duda, ¿qué le dirías?

Alazne: Que no puede esperar, porque tener los datos preparados requiere una labor previa —que vamos a ver a continuación— bastante compleja y avanzada, que exige una dedicación importante por nuestra parte. Si esperas a que esto sea una realidad, pierdes toda la ventaja competitiva frente a quienes ya están trabajando en ello; tenemos clientes que ya lo están haciendo. Si esperas a que suceda, llegas tarde. Para mí, deberíamos haber empezado hace tiempo, porque hay muchas oportunidades que ya se pueden aprovechar, por ejemplo en la optimización del mix de marketing, para reducir costes, mejorar el rendimiento de las campañas y conseguir que los usuarios estén más contentos con los anuncios que ven. Entiendo que pueda haber dudas sobre si dar el paso, porque es un paso grande, pero recomendaría darlo cuanto antes.

Antón: Precisamente, mientras me comentabas eso, nos ha llegado una pregunta: si alguien ya está en el nivel de tener sus dashboards en Looker Studio, ¿qué tiene que hacer para pasar al siguiente nivel, el de la analítica conversacional?

Alazne: Esto es un poco spoiler de lo que viene, pero lo primero sería revisar cómo tienes las cosas: ¿tienes las fuentes de datos conectadas directamente al dashboard, o lo tienes todo integrado en un data warehouse? Si ya tienes un data warehouse, puedes empezar a revisar los datos, procesarlos, trabajarlos y transformarlos. Si tienes fuentes de datos aisladas, hay bastante más trabajo, porque lo primero es integrarlas: hay que asegurarse de que todas las fuentes trabajen como una sola, para que la IA tenga una visión de conjunto y no vea fragmentos aislados, sino un conjunto de datos con una lógica común. Yo empezaría por ahí: revisar esas fuentes, ver cómo están constituidas y trabajar con ellas para que estén limpias e integradas entre sí.

Antón: Creo que has adelantado ya bastante de lo que viene, ¿eh? Se entiende perfectamente. Vamos con la fase uno.

Fase 1: consentimiento y gobernanza

Antón: Qué lata este tema de las cookies, ¿verdad? El consentimiento… Alazne, ¿qué nos cuentas?

Alazne: A mí me encanta (risas). Este es el gran olvidado, o el gran odiado, según la persona, pero básicamente consiste en que, cuando obtenemos datos de las distintas fuentes, lo primero es asegurarnos de tener el permiso correspondiente para usarlos. Si el usuario no nos ha dado un permiso explícito para capturar datos de marketing, de estadística o de analítica, no podemos usarlos ni para publicidad, ni para analizarlos, ni tampoco para la IA. A partir de ahí trabajamos dentro del marco legal: como muchas veces no tenemos ciertos datos porque el usuario no ha dado su permiso, vamos a manejar un volumen de datos menor. ¿Qué podemos hacer? Ser ágiles y plantear un consentimiento que incite a que los usuarios lo acepten, y dar suficiente granularidad al consentimiento de cookies, de forma que, si el usuario rechaza analítica pero da permiso para marketing, sigamos obteniendo algunos datos. Y, por supuesto, tener en cuenta que el consentimiento, aunque sea el gran odiado, también puede ser un gran aliado: es lo primero con lo que se encuentra el usuario en la web, y cada vez le da más importancia a la privacidad. Así que conviene reforzar ese consentimiento, no solo por la parte técnica, sino también desde la perspectiva de imagen de marca.

Antón: Esta pregunta te la hago siempre: es importante activar el consent mode para que, al menos con aquellos usuarios que rechacen las cookies, el modelado de Google nos dé cierta estadística de qué está haciendo el usuario, en general, en la parte alta del funnel, ¿verdad?

Alazne: Sí. El consent mode ya no es opcional. Implica tener ciertas categorías —estadísticas, funcionales, preferencias— y podemos configurarlo para que, aunque el usuario rechace las cookies por completo, recojamos ciertos pings o eventos de forma anónima, de modo que no perdamos la totalidad de los datos. Además, muchas plataformas, sobre todo Google Ads, piden esas señales de consentimiento para las campañas, así que, si nos movemos en el ecosistema de Google, es imprescindible implementarlo.

Sobre plataformas: tenemos opciones sencillas y que funcionan muy bien, como Cookiebot; otras muy especializadas en medios, como Didomi; empresas grandes como OneTrust, que es enorme, cara y con un nivel de configuración que hay que saber manejar; y otros CMP universales que también pueden funcionar muy bien. Como siempre, dependiendo del volumen de datos, del número de usuarios, de países y de dominios, recomendamos la plataforma que mejor encaje con cada cliente. Pero es importante que esto esté bien hecho.

Fase 2: integración de silos de datos

Antón: Segunda fase, integración de silos de datos. Aquí ya entramos en terreno más duro.

Alazne: Esto enlaza con lo que comentábamos sobre pasar del nivel uno al dos. Si tenemos distintas fuentes de datos, cada una por su lado, estamos trabajando solo con partes de la historia, sin visibilidad completa de lo que está pasando. Necesitamos hacer un esfuerzo inicial por unificarlas, normalmente en un almacén de datos —el más habitual últimamente es BigQuery, porque Google tiene mucho peso como herramienta de analítica y es bastante sencillo, natural y rápido trabajar dentro de su ecosistema—. Al meter ahí los datos evitamos inconsistencias, porque cada plataforma los procesa de forma diferente; empezamos a unificar métricas, a dar el mismo significado a las mismas métricas en distintas plataformas, y conseguimos una visión completa y trazable de todo lo que sucede. Con esa infraestructura común podemos empezar a limpiar, procesar y transformar los datos, para llevar a cabo esa transición del nivel uno al dos.

Antón: Según lo que comentas, BigQuery lo estamos implementando en el 85% de los casos. Esto también surge porque GA4 solo conserva los datos 14 meses, Search Console 16, y es importante empezar a meter en la misma coctelera no solo los datos de Google Analytics, sino también los del CRM, de HubSpot, e incluso Excels de datos de campaña, etc. Al final, esto no es solo para hacer un dashboard sencillo, sino para que la IA funcione mejor a medio plazo: es un paso totalmente imprescindible.

Alazne: Nosotros, el 85% de las veces, lo hacemos con Google porque forma parte del stack de analítica más habitual, pero también hay otros almacenes de datos, como Azure o Databricks. En ese sentido, siempre decimos lo mismo: somos agnósticos a nivel de tecnología y nos adaptamos a lo que necesite el cliente.

Fase 3: calidad y limpieza del dato

Alazne: Fase tres, calidad y limpieza del dato. Aquí empieza la parte más complicada, porque, aunque ya tengamos los datos volcados juntos en el almacén de datos, eso no significa que ya formen un conjunto homogéneo, solo que están en el mismo sitio. Para transformarlos de verdad, hay que empezar limpiándolos: unificar nomenclaturas, hacer correcciones, normalizar formatos, darles una estructura común. Esto se hace con un proceso de ELT —lo explicamos con más detalle luego—, que consiste básicamente en extraer la fuente (ya hecho), cargarla en el data warehouse y procesarla. Ese trabajo de procesamiento es el que suele llevar más tiempo y esfuerzo, y ahí solemos apoyarnos en reglas que faciliten esa labor o, al menos, la automaticen. También hacemos configuración de tests para asegurarnos de que lo que montamos funciona, y podemos detectar errores y controlar los cambios que se vayan haciendo. Esto hace que el proceso requiera cada vez menos esfuerzo, porque vamos aplicando reglas que lo llevan hacia la automatización. A partir de ahí ya tenemos unos datos bastante trabajados.

Antón: Entiendo. Antes de empezar la presentación me apunté esto: ETL, extraer, transformar y cargar. Básicamente, lo que hacemos es, a través de Dataform, «cocinar» los datos para que luego todo fluya mejor. Hemos hecho varios proyectos con esta metodología, y los clientes están muy contentos porque se consume mucho menos espacio, todo fluye más rápido y hay muchos menos errores; los dashboards en Looker Studio funcionan mucho mejor con esta base. Es muy importante, ¿verdad?

Luego tenemos otra parte, que sería la higiene del dato, ¿verdad?

Alazne: Sí. Ya hemos dicho que los limpiamos y los transformamos, pero también hay que terminar de depurarlos: revisar que no haya duplicidades, que no haya errores ni incompatibilidades que puedan generar fallos y dejar los datos inservibles. Ese es el proceso de higiene y limpieza del dato: corregir cualquier defecto que el dato pueda tener en origen y que, si no se corrige, acaba contaminando todo el trabajo posterior. Cargando, transformando y limpiando el dato conseguimos un set de datos que ya de entrada es una buena base: libre de errores, sin sesgos y con cierta calidad garantizada.

Antón: Nos hacía gracia este ejemplo, pero es real: en HubSpot, de repente aparece el mismo nombre con distintos formularios enviados, sin unificar, correspondientes a la misma persona. Ese es precisamente uno de los objetivos de esta fase.

Nos preguntan por aquí: ¿cuánto tiempo lleva todo el proceso de datos si se hace con Dataform?

Alazne: Depende, no solo del volumen de datos, sino también de la tipología: no solo estamos mandando datos de Analytics, sino de muchos tipos de fuentes distintas —CRM, Search Console, plataformas publicitarias—, y cruzar e integrar todo eso es lo que lleva tiempo. Nosotros, al llevar ya bastante tiempo trabajando en esto, sabemos qué tecla tocar, por así decirlo, así que conseguimos un proceso bastante estandarizado, automático y eficaz, y lo hacemos con rapidez. En una situación ideal, diría que en una semana, como mínimo, todo el trabajo previo estaría hecho.

Fase 4: la capa semántica

Antón: Fase cuatro, la capa semántica. Esta es de las que más te gustan a ti, ¿no?

Alazne: Sí. La capa semántica va de esto: tenemos los datos trabajados y limpios, pero la IA sigue sin entenderlos, porque no tiene el contexto que sí tenemos nosotros. Hay que explicarle qué significa cada cosa: «esta métrica que te he pasado es esto y significa esto». A partir de ahí, cuando le hagas una consulta relacionada con esa métrica, será capaz de darte una respuesta con sentido; si no le das antes ese contexto, no podrá hacerlo. Es un proceso bastante largo, porque implica coger cada uno de los conceptos e ir dándoles definiciones específicas, trabajadas en conjunto por los distintos equipos. Puede que desde el área analítica se defina una métrica de una forma, y desde el área de performance se interprete de otra distinta —sin que ninguna interpretación sea necesariamente mejor—; hay que encontrar un punto de entendimiento común, porque si no, cada equipo le da a la IA una definición distinta y esta acaba confundida, sin saber a cuál atenerse.

Antón: Aquí teníamos el ejemplo de una plataforma SaaS española que ha tenido bastante repercusión en las últimas semanas. Estos textos son a los que te refieres, ¿no? Hay que explicarle a la IA, por ejemplo, qué significa un concepto como «fecha del evento»: una definición completa, como si fuera un diccionario, que hay que ir introduciendo manualmente.

Alazne: Exacto. Y el problema es que yo puedo definir ese concepto de una forma, y tú, al preguntarme, me dices que para ti es otra cosa distinta; antes de trasladárselo a la IA, tenemos que ponernos de acuerdo entre ambos. Básicamente, se trata de darle contexto de negocio a la IA: proporcionarle esa información y esas definiciones que, si no se las damos, no será capaz de entender el dato.

Antón: Está claro.

Fase 5: bases de datos vectoriales

Antón: Y, por último, bases de datos vectoriales. Esto ya es de máster en analítica avanzada. Alazne, a ver cómo lo explicas para que los que no somos tan avanzados como tú lo podamos entender.

Alazne: Lo vais a entender de sobra, no os preocupéis. Hay ciertos datos que no son tan sencillos de interpretar, porque detrás tienen un sentimiento o una intención: las reseñas de los usuarios, los comentarios que dejan en un chat, los emails… todo eso tiene una carga que no se traduce fácilmente a una definición simple, como sí ocurre con una métrica del tipo «fecha del evento». Cada reseña es un mundo distinto. Con la vectorización conseguimos que la IA entienda no solo temas numéricos, sino también conceptos. Un ejemplo sencillo: si le decimos a la IA «zapatilla deportiva» y «calzado de running», sin vectorización diría que no tienen nada que ver, que no son palabras comunes ni hay nada que las relacione; pero, gracias a la vectorización, es capaz de entender que ambas hablan de un tipo de calzado y de deporte, y de relacionarlas. Esto hace que la IA no solo dé respuestas más interesantes, sino que, si llegamos al nivel tres —el de ejecución—, sea capaz de llevar a cabo recomendaciones o acciones bastante más rentables.

Antón: Aquí teníamos estas dos tablas, que es un poco a lo que te referías: por un lado, datos estructurados —métricas y KPIs, básicamente números—, que la IA absorbe y entiende bien; y, por otro, datos más desestructurados, como el color de una prenda en un catálogo de ropa o cómo se organiza la gente por referencias de producto. ¿Nos puedes explicar un poco mejor qué significan estas dos tablas?

Alazne: En este caso, la operativa depende del tipo de dato que tengamos. Si empiezo a hablar de vectorización, muchas veces os echáis las manos a la cabeza pensando que hay que hacer todo eso. Pero, en la mayoría de proyectos, nos movemos en la tabla de la izquierda: datos estructurados. La mayoría trabajáis con métricas y KPIs bastante estandarizados, que son relativamente fáciles de traducir para la IA. Con esos datos, conservamos las bases de datos relacionales de origen, las integramos en un almacén de datos y, mediante consultas SQL —por ejemplo, directamente en BigQuery—, vamos unificando, creando tablas, procesando e integrando. Es un proceso bastante más sencillo y ágil, y conseguimos que la IA nos pueda responder bien. Pero hay otras personas que trabajan en escenarios mucho más complejos, como plataformas que parten de reseñas o que necesitan mucha información sobre cómo han percibido los usuarios un producto; ahí sí hace falta la vectorización, para darle a la IA ese contexto sobre algo tan de sentimiento y percepción, y traducirlo a algo más básico, más «humano».

Antón: Estaba mirando cómo interactuamos con esto y aparece «búsqueda semántica y RAG». ¿Qué es el RAG?

Alazne: Son las siglas de Retrieval Augmented Generation. Con esto conseguimos que, cuando la IA recibe una pregunta, antes de responder vaya a todas las fuentes de datos donde haya algo relacionado, recupere lo relevante y, con esa información, genere una respuesta pertinente. No es que responda de memoria; es más bien como un estudiante que se ha estudiado la lección de verdad, es capaz de entenderla y da una respuesta con sentido, no algo puramente genérico.

El camino hacia el éxito

Antón: Si una empresa, ya sea B2B o B2C, con más orientación a e-commerce o a servicios, en cualquier sector —un laboratorio, una marca de ropa, un distribuidor—, quisiera avanzar en todo lo que tiene que ver con la IA para tomar mejores decisiones, ejecutar más rápido y ser más operativa, desde tu punto de vista, ¿cuál debería ser el camino hacia el éxito?

Alazne: El camino estandarizado que yo recomendaría, en general —siempre habrá excepciones—, es el siguiente. Lo primero es ver en qué punto estamos: si estamos en el nivel uno, si ya estamos en el dos, o camino de él pero todavía nos faltan cosas. Es tomar conciencia del estado de cada cosa. A partir de ahí, lo habitual es que cada dato siga en su plataforma de origen —los de Analytics en Analytics, los de Ads en Ads, los de Meta en Meta—, así que el siguiente paso es la integración y unificación: meter los datos en un mismo sitio, y así conseguir un conjunto de datos, al menos en cuanto a ubicación. Cuando ya queremos que ese conjunto de datos sea real —que no solo estén en un mismo sitio, sino que se relacionen entre sí—, pasamos a la preparación de datos que hemos visto en las fases anteriores. Una vez hecho ese trabajo previo de procesamiento y transformación, pasamos a un cuarto punto, el testeo: la IA requiere un proceso de ensayo y error continuo, hasta conseguir un sistema o modelo que funcione de verdad. A partir de ahí se puede llegar al nivel tres que comentábamos, con tareas simples que se van optimizando con el tiempo. Y, si nos quedamos en el nivel dos, aun así conseguimos automatizar muchísimo trabajo de reporting que, si no, llevaría horas: consultando directamente en las fuentes de origen, informe por informe, o yendo al dashboard y haciendo una labor de reflexión considerable.

Antón: Entonces, según tu punto de vista, y teniendo en cuenta los más de 200 proyectos de datos en los que hemos trabajado: primero, hacer una pequeña auditoría de madurez del dato, de la salud de los datos; segundo, integrarlos en un almacén en la nube, tipo BigQuery; y, a partir de ahí, se pueden hacer muchas cosas —IA conversacional, como hemos comentado, dashboards en Looker Studio, o cualquier otra cosa relacionada, por ejemplo, con campañas de Google Ads para crear audiencias—. El rol de la analítica digital, tal y como la gente lo entendía, ha dado un giro de 180 grados: antes se valoraba sobre todo «configúrame Google Analytics», y ahora eso es solo una parte pequeña del trabajo. Lo más importante ahora es crear un buen «búnker» de datos en la nube y, a partir de ahí, conectarlo a un CRM, a un dashboard de Business Intelligence, a las distintas campañas o a los distintos modelos de atribución. Ese es, en definitiva, el camino.

Alazne: Eso es. Al final, hay que tener claro que la analítica tiene mucho que ver con conseguir datos y analizarlos, pero también con cómo se utilizan después esos datos. Tener datos por tenerlos no tiene sentido; tienen que tener una utilidad.

Antón: Está claro. Muy bien, la verdad es que hemos ido muy ágiles. He ido intercalando algunas preguntas a lo largo del webinar; llegamos ya a la sección de preguntas y respuestas, por si alguien de los que sigue conectado quiere preguntar algo. Y, si os da vergüenza, no pasa nada: podéis escribirnos directamente para comentarnos vuestro caso. A todos los que habéis venido a este webinar, además de responderos cualquier duda sobre datos, IA, etc., os ofrecemos una auditoría gratuita de cómo está vuestra situación de datos para marketing digital actualmente —es esta parte, la auditoría de salud—. Todos los que habéis asistido podéis contactarnos a través de nuestro correo de contacto, y arrancamos esa conversación sin ningún compromiso.

Pregunta el público: En el caso de una agencia de marketing, ¿lo veis aplicable?

Alazne: Lo veo aplicable tanto para la propia agencia como para sus clientes. La agencia también tiene sus necesidades: saber cómo es su cliente, quién es, de dónde llega… todo eso son datos, y nadie está exento de ellos. En una agencia de marketing se valora sobre todo la intención de contacto, los proyectos vendidos, la evolución del lead al cliente; todo eso se puede integrar y aprovechar con la IA, por ejemplo para detectar si un cliente tiene probabilidad de convertir, o para identificar en qué puntos de contacto suele fallar o suele convertir el usuario, y así ayudar a dirigirlo por el camino que interesa.

Antón: De hecho, hablando de agencias: nosotros, al ser un data partner 100% especializado en datos para marketing digital, trabajamos tanto directamente con marcas que tienen un departamento amplio de marketing digital y necesitan ayuda en proyectos complejos, como con agencias, consultoras de e-commerce y consultoras de IT. Al dedicarnos solo a esto, no hay solapamiento con otras áreas: colaboramos con agencias de SEO, de medios, de performance y de desarrollo de e-commerce, y les ayudamos a evolucionar toda la parte analítica, desde crear un cuadro de mando conversacional —de forma que, si un cliente os hace una pregunta, podáis contestarla rápidamente— hasta ayudaros a crear un dashboard conversacional para vuestros propios clientes, lo cual quita muchísimo tiempo.